2.2.1 Definir el directorio de trabajo (working directory)

El directorio de trabajo es la caperta de tu ordenador en la que estás trabajando. Cuando lees un archivo con R, R lo busca en el directorio de trabajo que le has especificado. Cuando guardas un archivo de datos o una figura con R, R la guarda en el directorio de trabajo especificado.

• Consultar el directorio de trabajo actual:

getwd()

• Definir el directorio de trabajo. Cuando se empieza un trabajo con R es importante especificar el directorio de trabajo donde se encontrarán los scripts y archivos del proyecto:

setwd("/path/to/directory")

\(~\)

2.2.2 Librerías o paquetes

Cuando instalamos R por primera vez, lo que estamos instalando se conoce como “R Base”, es decir, las funcionalidades básicas de R. Una de las ventajas de R es que, al ser un lenguaje de código abierto, la propia comunidad de R desarrolla nuevas extensiones de R; estas extensiones se conocen como librerías o paquetes de R.

Hay muchos paquetes disponibles, se encuentran sobre todo en el repositorio oficial de librerias de R: CRAN. Para poder usar un paquete (por ejemplo, “dplyr”) hay que instalarlo en el ordenador y cargarlo en R, de la siguiente manera:

• Instalar un paquete:

install.packages("dplyr")

• Cargar un paquete:

library("dplyr")

En la pestaña “Packages” de la ventana inferior izquierda de RStudio se pueden ver los paquetes instalados. Los paquetes ya cargados aparecen con un ✓. Otra manera de cargar paquetes es haciendo click directamente en el en la casilla correspondiente al paquete:

\(~\)

\(~\)

Los paquetes de R suelen estar, en general, bastante bien documentados; cuentan con información y ayuda para el usuario sobre las funcionalidades, así como ejemplos sencillos de la manera de usar las funciones del paquete. Hay dos principales fuentes de ayuda referentes a los paquetes:

• Help:

help("dplyr")

\(~\)

2.2.3 Prácticas de buen uso

Una práctica de buen uso en la programación es comentar el código que vamos desarrollando. De esta manera, será más fácil de entender el código si volvemos a abir el script después de un tiempo o lo compartimos con otras personas. En R, cualquier texto despúes de un # no se ejecuta.

• Escribir comentarios:

# Esto no se ejecuta

\(~\)

Ejercicios

• Crear una carpeta con un script llamado miprimerscript.R.
• Definir el working directory en el script como la carpeta contenedora.
• Instalar y cargar el paquete “markdown”.
• Comentar en el script que hemos instalado el paquete “markdown”.

\(~\)

---

\(~\)

2.3.1 Variables

Una variable es una letra o palabra que almacena un valor. Para asignar un valor a una variable se utiliza el operador de asignación <-:

x <- 3
MiNumero <- 9

Ahora, x se denomina una variable y aparece en la ventana superior derecha de RStudio workspace window. En esta ventana aparecerán todos los objetos que vayamos guardando durante la sesión. R los almacena en la memoria de manera que puedan ser usados más adelante.

Si ahora escribimos el nombre de la variable, el valor de ésta se imprimirá en la consola:

x

## [1] 3

Hay algunas variables especiales predefinidas en R, como por ejemplo el número Pi:

pi

## [1] 3.141593

Ahora, podemos hacer operaciones con/entre las variables:

x + 2

## [1] 5

x + MiNumero

## [1] 12

Y almacenarlas en nuevas variables:

y = x * 2
y

## [1] 6

Cambiar el valor de una variable:

y = 2500
y

## [1] 2500

O reescribirlas:

y = y + 1
y

## [1] 2501

\(~\)

Ejercicio

• Crea dos variables a y bcon valores 100 y 20, correspondientemente y una nueva variable z que sea la división de a entreb.

\(~\)

2.3.2 Vectores

\(~\) Los vectores son una sequencia de valores y en R se crean usando c():

• Numéricos: 1, 2, 3

x <- c(1, 2, 3); 
x

## [1] 1 2 3

is.numeric(x)

## [1] TRUE

• Caracteres: “a”, “b”, “c”

x <- c("a", "b", "c"); 
x

## [1] "a" "b" "c"

is.character(x)

## [1] TRUE

Podemos acceder a los elementos de los vectores haciendo uso de los corchetes [] y el índice correspondiente:

x[1] 

## [1] "a"

Y podemos saber si se cumple una condición en un vector:

x == "a"

## [1]  TRUE FALSE FALSE

y dónde:

which(x == "a")

## [1] 1

Podemos nombrar los elementos de un vector con names():

miVec <- c(1, 2, 3) 
names(miVec) <- c("col1", "col2", "col3")
miVec

## col1 col2 col3 
##    1    2    3

Podemos concatenar dos vectores:

v1 <- c(1, 2, 3) 
v2 <- c(4, 5, 6)
v3 <- c(v1, v2)
v3

## [1] 1 2 3 4 5 6

Y consultar la longitud de un vector con la function length():

length(v3)

## [1] 6

Se pueden hacer operaciones con vectores (suma, resta…) por elementos utilizando los operadores normales. Si queremos hacer una multitplicación vectorial (matemáticamente hablando, el producto escalar) hay que usar el operador de mutiplicación matemática %*%:

v1 * v2

## [1]  4 10 18

v1 %*% v2

##      [,1]
## [1,]   32

\(~\)

Ejercicios:

• Crea 2 vectores y suma sus primeros elementos.
• Crea un tercer vector que sea la concatenación del primero con el doble del segundo.

\(~\)

2.3.3 Matrices y Dataframes

• Matrices (2D): estructuras bi-dimensionales con datos del mismo tipo. Se crean utilizando la function matrix():

miMat <- matrix(v3, nrow = 2, ncol = 3, byrow = TRUE)
miMat

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6

Dado un objeto, puedes prefuntarle a R qué tipo de objeto es tilizando la function class():

class(v3)

## [1] "numeric"

class(miMat)

## [1] "matrix"

• Data Frames (2D): estructuras bi-dimensionales con datos no necesariamente del mismo tipo. Se crean utilizando la function data.frame():

v1 <- c(1, 2, 3)
v2 <- c("a", "b", "c")
miDF <- data.frame(Col1 = v1, Col2 = v2)
miDF

##   Col1 Col2
## 1    1    a
## 2    2    b
## 3    3    c

Para acceder a los elementos de una matriz, accedemos de la misma manera que a los elementos de los vectores, es decir, utilizando []. Pero en este caso, al tener las matrices dos dimensiones, tendremos que especificarle la fila y la columna del elemento al que queremos acceder. Por ejemplo, para acceder al elemento que está en la primera fila, en la segunda columna, haremos:

miMat[1,2]

## [1] 2

Podemos crear matrices de zeros, de unos o de NA-s, que es el “vacio” en R:

matrix(0, nrow = 4, ncol = 2)

##      [,1] [,2]
## [1,]    0    0
## [2,]    0    0
## [3,]    0    0
## [4,]    0    0

matrix(1, nrow = 2, ncol = 3)

##      [,1] [,2] [,3]
## [1,]    1    1    1
## [2,]    1    1    1

matrix(NA, nrow = 3, ncol = 3)

##      [,1] [,2] [,3]
## [1,]   NA   NA   NA
## [2,]   NA   NA   NA
## [3,]   NA   NA   NA

Podemos unir matrices por fila o columna, utilizando rbind() ycbind(), correspondientemente:

miMat1 <- matrix(v3, nrow = 2, ncol = 3, byrow = TRUE)
miMat2 <- matrix(v3, nrow = 2, ncol = 3, byrow = FALSE)

rbind(miMat1, miMat2)

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6
## [3,]    1    3    5
## [4,]    2    4    6

cbind(miMat1, miMat2)

##      [,1] [,2] [,3] [,4] [,5] [,6]
## [1,]    1    2    3    1    3    5
## [2,]    4    5    6    2    4    6

\(~\)

Ejercicio

• Crea las matrices siguientes y concaténalas (atentx a las dimensiones para saber si concatenar por fila o columna):

\[ \begin{pmatrix} 1 & 4 & 3\\ 8 & 5 & 1 \end{pmatrix} \begin{pmatrix} 9 & 1 & 6\\ 7 & 6 & 4 \\ 3 & 2 & 1 \end{pmatrix} \]

\(~\)

2.4.1 Funciones básicas de R

Una función es una interfaz a la que el usuario le da un(os) argumento(s) (input) y ésta le devuelve un resultado (output) que es el resultado de haber realizado operaciones al input. Por ejemplo, la función sqrt(x) calcula la raíz cuadrada de x:

sqrt(9)

## [1] 3

Para calcular la media de 3 números, podemos calcularla a mano:

(3 + 4 + 5) / 3

## [1] 4

O podemos calcular utilizando la funcion mean():

x <- c(3, 4, 5)
mean(x)

## [1] 4

Otro ejemplo muy útil es seq() para crear secuencias. Utilizando el operador a:b, R nos devuelve la secuencia entre ay b, mientras que si queremos la secuencia cada 2 números hacemos uso de seq():

1:10

##  [1]  1  2  3  4  5  6  7  8  9 10

seq(from = 1, to = 10, by = 2)

## [1] 1 3 5 7 9

Otra función básica como útil es rep(), que repite el argumento de la primera posición tantas veces como le indiques en la segunda posición; es decir:

rep(1, 10)

##  [1] 1 1 1 1 1 1 1 1 1 1

rep(c(1, 2, 3), 5)

##  [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Podemos usar estas funciones para operar con vectores:

v <- 1:20
v

##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

v[seq(1, 20, 2)]

##  [1]  1  3  5  7  9 11 13 15 17 19

v[1:5] <- 0
v

##  [1]  0  0  0  0  0  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

\(~\)

Recuerda

• Corchetes [ ] para acceder a índices
• Paréntesis () para argumentos de funciones

\(~\)

Algunas veces los agumentos tienen valores por defecto (default), de manera que si el usuario no especifica ninguna valor se utilizar ese. Por ejemplo, la función rnorm(), que genera n número aleatorios que siguen una distribución normal de media 0 y desviación estándar 1:

rnorm(n = 10)

##  [1] -0.12875912  0.45299008  0.90290671 -0.09559665 -1.10301742
##  [6] -1.88962689  0.18541214  1.05043756  0.26262529 -1.82484618

¿Cómo hacemos si queremos cambiar la media y desviación estándar?

\(~\)

2.4.2 Ayuda de R

Para consultar información sobre una función (qué es lo que hace, qué argumentos recibe, las opciones…) contamos con la ayuda R. Para acceder a la ayuda de una función, tecleamos ? y el nombre de la función:

?rnorm
help(rnorm)

Aparecerá una ficha de información con las siguientes secciones:

• Description: El objetivo de la función

• Usage: El modo de usarla

• Arguments: Una lista de los argumentos que recibe

• Details: Información más detallada de la función y sus argumentos

• Value: Información a cerca del output de la función

• References: Referencias de artículos útiles

• Examples: Ejemplos de uso

De esta manera, si queremos generar 10 números aleatorios siguiendo una distribución normal de media 2 y desviación estándar 5:

rnorm(n = 10, mean = 2, sd = 5)

##  [1]  8.1371703 -2.0259931 -2.3906344  7.7348243  1.6833709  1.0165176
##  [7]  6.8347488 -0.7816868  5.7093931 -2.9785031

\(~\)

2.4.3 Definición de funciones

Un nivel superior consiste en definir las propias funciones con function(). Para definir una función necesitamos:

• Un nombre

• Al menos un input

• Un output

Y se define de la siguiente manera:

NombreDeLaFucion <- function(input){
  operaciones
  return(output)
}

Por ejemplo, podemos crear una función que, dado un número te devuela la raiz cuadráda del triple de ese número:

MiPrimeraFuncion <- function(x) {
  y <- sqrt(3 * x)
  return(y)
}

MiPrimeraFuncion(20)

## [1] 7.745967

MiPrimeraFuncion(5)

## [1] 3.872983

\(~\)

Ejercicio:

Crea una función que dados 2 números:

• Cree dos vectores. El primer vector será la secuencia del 1 al primer número. El segundo vector será la secuencia del primer numero al segundo número cada 2.
• Concatene esos vectores.
• Calcule la desviación estándar de ese nuevo vector.
• Imprima la desviación estándar.
• Devuelva la multipicación del primer número por la desviación estándar.

MiSegundaFuncion <- function(a,b) {
  x      <- 1:a
  y      <- seq(a, b, by = 2)
  x.y    <- c(x,y)
  x.y.sd <- sd(x.y)
  sd2    <- x.y[1]*x.y.sd
  return(c(x.y.sd, sd2))
}

MiSegundaFuncion(a = 3, b = 100)

## [1] 30.02922 30.02922

---

demo(graphics)

library(PASWR) # install.packages("PASWR") si no lo tenemos
data(titanic3)
names(titanic3)

##  [1] "pclass"    "survived"  "name"      "sex"       "age"      
##  [6] "sibsp"     "parch"     "ticket"    "fare"      "cabin"    
## [11] "embarked"  "boat"      "body"      "home.dest"

?titanic3

5.1.1 Gráfico de barras

Este gráfico lo emplearemos con variables cualitativas. El gráfico presenta una barra para cada una de las distintas categorías de la variable, siendo la áltura de la barra la frecuencia (relativa o absoluta) de cada categoría.

# Frecuencias abolutas
fa_pclass <- table(titanic3$pclass)
fa_pclass

## 
## 1st 2nd 3rd 
## 323 277 709

barplot(fa_pclass)

El gráfico anterior es bastante simple, pero podemos “mejorarlo” de muchas maneras

barplot(fa_pclass,
        col = c(1, 2, 3), # Colores para cada una de las barras (1:3)
        density = 50, # Trama para el color de las barras
        xlab = "Clase", # Texto a aparecer en el eje x de la gráfica
        ylab = "Frecuencia absoluta", # Texto a aparecer en el eje y de la gráfica
        main = "Tabla de frecuencias absolutas (clase)", # Título
        cex.main = 2 # Tamaño de letra para el título
)

Y si queremos las frecuencias relativas, se lo indicamos de la siguiente manera

fr_pclass <- prop.table(fa_pclass)
fa_pclass

## 
## 1st 2nd 3rd 
## 323 277 709

fr_pclass

## 
##       1st       2nd       3rd 
## 0.2467532 0.2116119 0.5416348

barplot(fr_pclass,
        col = heat.colors(3), # Colores para cada una de las barras
        density = 10, # Trama para el color de las barras
        xlab = "Clase", # Texto a aparecer en el eje x de la gráfica
        ylab = "Frecuencia relativa", # Texto a aparecer en el eje y de la gráfica
        main = "Tabla de frecuencias relativas (Clase)", # Título
)

En el gráfico anterior hemos empleado colores de la llamada paleta de colores heat.colors (el número 3 indica que queremos 3 colores de esa paleta). El tema de los colores en R es otro universo. Podéis encotrar más información en las siguientes páginas

• https://www.nceas.ucsb.edu/~frazier/RSpatialGuides/colorPaletteCheatsheet.pdf

• https://www.w3schools.com/colors/colors_picker.asp

• https://htmlcolorcodes.com/es/selector-de-color/

---

Ejercicio

Modifica el gráfico de barras anterior, para que:

• Las barras aparezcan unas al lado de las otras (sin espacio).

• Las barras aparezcan en sentido horizontal en lugar de vertical.

• Juega con los colores

Pista: usa la ayuda asociada a la función barplot().

---

5.1.2 Gráfico de sectores

Otro gráfico habitual para variables cualitativas es el gráfico de sectores, que representa mediante un sector circular (quesito) cada una de las distintas categorías de la variable, siendo su área proporcional a la frecuencia de cada categoría

fa_pclass <- table(titanic3$pclass)
pie(fa_pclass,
    col = heat.colors(3), # Colores para cada una de los sectores
    main = "Gráfico de sectores (class)"
)

5.1.3 Gráfico de barras para dos variables cualitativas

Aunque un grafico de barras para una única variable puede ofrecer información valiosa (ayuda a describir, gráficamente, los datos con los que contamos), su mayor potencial es en aquellas situaciones en las que queremos estudiar y representar gráficamente la (posible) relación que existe entre dos variables cualitativas.

En los siguiente ejemplos, emplearemos los datos titanic3, y representaremos conjuntamente las variables pclass y survived. Sin embargo, antes de nada vamos a transformar nuestra variable survived ya que aunque es una variable cualitativa, en nuestro conjunto de datos está codificada como cuantitativa (numérica) (y eso no es aconsejable!!)

summary(titanic3$survived)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   0.000   0.382   1.000   1.000

titanic3$survived_f <- factor(titanic3$survived, levels = c(0,1), labels = c("No", "Sí"))
summary(titanic3$survived_f)

##  No  Sí 
## 809 500

Lo primero que tenemos que hacer para crear un gráfico de barras para dos variables, es crear una tabla de frecuencias (absolutas o relativas) con las dos variables de intereś

tt <- table(titanic3$survived_f, titanic3$pclass) # Paso 1: crear una tabla de doble entrada (freq. absolutas)
tt

##     
##      1st 2nd 3rd
##   No 123 158 528
##   Sí 200 119 181

colnames(tt)

## [1] "1st" "2nd" "3rd"

rownames(tt)

## [1] "No" "Sí"

Ahora empleamos esa tabla como argumento de la función barplot()

barplot(tt, main = "Survived es apilado dentro de los niveles de pclass",
        col = 2:3, 
        legend.text = TRUE, # incluye una leyenda con las categorías de la variable apilada con el color que la identifica en el gráfico.
        xlab = "Clase"
)        

Por defecto, la función barplot() toma como referencia la variable que aparece en las columnas de nuestra tabla (en nuestro caso, pclass), y agrupa o apila las categorías de la otra variable (survived_f) dentro de cada categoría de la variable de referencia. Si queremos cambiar la agrupación tenemos que trasponer la tabla (cambiar filas por columnas)

t(tt) # Para trasponer la tabla

##      
##        No  Sí
##   1st 123 200
##   2nd 158 119
##   3rd 528 181

barplot(t(tt), main = "pclass es apilado dentro de los niveles de survived",
        col = 2:4,
        legend.text = TRUE,
        args.legend = list(x = "topleft", cex = 1.5, title = "Clase") # Cambiamos la apariencia de la leyenda
) 

También por defecto, la función barplot() nos muestra un gráfico de barras apilado. Si queremos obtener un gráfico de barras con las barras agrupadas en lugar de apiladas, tenemos que especificar beside = TRUE.

barplot(tt, main = "Survived es agrupado dentro de los niveles de pclass",
        col = 2:3,
        legend.text = TRUE,
        beside = TRUE
)

Igual que antes, si trasponemos la tabla, la presentación cambia

barplot(t(tt), main = "pclass es apilado dentro de los niveles de survived",
        col = 2:4,
        legend.text = TRUE,
        beside = TRUE
)

Antes de terminar … ¿Y si queremos las 4 gráficas en una sola? Para ello empleamos la función par(). Esta función permite establecer valores (“características”) por defecto, y que se aplicarán a todos los gráficos que se generen mientras no se cierre la ventana gráfica). Por ejemplo, la opción mfrow permite dividir la ventana en varios gráficos, bg cambiar el color de fondo

par(mfrow = c(2,2), bg = "cornsilk")
barplot(tt, main = "Versión 1", col = 2:3, legend.text = TRUE)
barplot(t(tt), main = "Versión 2", col = 2:4, legend.text = TRUE)
barplot(tt, main = "Versión 3", col = 2:3, legend.text = TRUE, beside = TRUE)
barplot(t(tt), main = "Versión 4", col = 2:4, legend.text = TRUE, beside = TRUE)

---

Ejercicio

Juega a crear gráficos de barras con las variable suvived_f y sex del conjunto de datos titanic3, u otras variables que consideres interesantes.

RECUERDA: los gráficos de barras tienen sentido con variables cualitativas (factores)!!

---

5.1.4 Histograma

Es el gráfico más importante para datos cuantitativos. La filosofía es la misma que el gráfico de barras para datos cualitativos , solo que toma como base la tabla de frecuencias para los datos previamente agrupados. Así, los datos se agrupan en categorías (intervalos) y se representa una barra para cada categoría, siendo su altura la frecuencia (absoluta ou relativa) de cada intervalo. Para representar este gráfico en R empleamos la función hist().

hist(titanic3$age,
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "blue",      # color de relleno
     border = "white"   # color del borde del rectángulo
)

Por defecto, la función hist() elige atomáticamente el número de intervalos para representar el histograma. Podemos cambiar el número utilizando el argumento breaks (aunque la mayor parte de las veces no será necesario). Además, podemos graficar las frecuencias absolutas en lugar de las relativas usando freq = FALSE

hist(titanic3$age,
     breaks = 30,  # Número de intervalos
     freq = FALSE, # Frecuencias relativas
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "#b347f0",      # color de relleno
     border = "#ca47f0"   # color del borde del rectángulo
)

Además, al gráfico anterior, le podemos añadir más información que consideremos interesante. Por ejemplo, una línea vertical con el valore medio de los datos

hist(titanic3$age,
     breaks = 30,  # Número de intervalos
     freq = FALSE, # Frecuencias relativas
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "#b347f0", # color de relleno
    border = "#ca47f0")   # color del borde del rectángulo   

abline(v = mean(titanic3$age, na.rm = TRUE), col = "red", lwd = 2)

5.1.5 Histograma, según los valores de una variable cualitativa

¿Y si queremos ver la distribución de edad según la clase en la que viajaba o si sobrevivió o no? Pues podemos hacerlo de dos maneras:

• Haciendo un gráfico por separado para cada grupo de interés.

• Presentando el histograma para cada grupo de interés pero en la misma gráfica (a veces no resulta sencillo de ver).

par(mfrow = c(1, 2)) # Dos gráficos en la misma ventana
hist(titanic3$age[titanic3$survived_f == "Sí"], # Seleccionamos la edad de los supervivientes
     breaks = 30, 
     freq = FALSE, 
     main = "Supervivientes", 
     xlab = "Edad")
hist(titanic3$age[titanic3$survived_f == "No"], # Seleccionamos la edad de los no supervivientes
     breaks = 30, 
     freq = FALSE, 
     main = "No supervivientes", 
     xlab = "Edad")

Y ahora, los dos gráficos en uno

hist(titanic3$age[titanic3$survived_f == "Sí"], 
     breaks = 30, 
     freq = FALSE,
     main = "Supervivientes vs No supervivientes", 
     xlab = "Edad", 
     col = "green", 
     density = 30,  # Trama para el color de las barras
     ylim = c(0, 0.05)) # Rango para el eje y
hist(titanic3$age[titanic3$survived_f == "No"], 
     breaks = 30, 
     freq = FALSE,
     col = "blue", 
     density = 30, # Trama para el color de las barras
     angle = 135,  # Ángulo (para las tramas)
     add = TRUE)   # Añade el gráfico al anterior!

# Añadimos una leyenda al gráfico
legend ("topright", # Posición de la leyenda
        legend = c("Supervivientes", "No supervivientes"), # Texto para la leyenda
        col = c("green", "blue"), # Color asociado a cada elemento de la leyenda
        lty = 1, # Tipo de línea   
        bty = "n") # Sin "enmarcar"       

---

Ejercicios

• Crea un histograma para la variable fare (precio) del conjunto de datos titanic3.

• Crea un histograma para la variable fare (precio) del conjunto de datos titanic3, pero separadamente (bien en un mismo gráfico o en gráficos diferentes) según la clase en la que viajaba la/el pasajera/o.

• Ahora trabaja con el conjunto de datos gapminder. Crea un histograma para la variable lifeExp (esperanza de vida), y hazlo separadamente según el continente (variable continent).

---

5.1.6 Diagrama de cajas y bigotes (box-plot)

El diagrama de cajas o box-plot también se emplea con variables cuantitativas. Es un diagrama simple pero proporciona mucha información. A partir de él se puede observar de forma clara cómo se distribuyen los datos y sus características principales. Además, permite comparar hacer comparaciones de forma sencilla.

boxplot(titanic3$age,
        main = "Edad de l@s pasajer@s del Titanic",
        ylab = "Edad",
        col = "pink",
        border = "purple")

Este gráfico está formado por una caja, en la que la base inferior coincide con el primer cuartil (\(Q_1\)), y la base superior con el tercer cuartil (\(Q_3\)). En el interior de la caja se dibuja una línea en la mediana de los datos (\(Q_2\)). Los bigote inferior y superior se corresponden con los siguientes límites

\[LI = min \left\{x_j \mid x_j > Q_1 - 3\left(\frac{Q_3 - Q_1}{2}\right)\right\},\]

\[ LS = max \left\{x_j \mid x_j < Q_3 + 3\left(\frac{Q_3 - Q_1}{2}\right)\right\}. \]

Cualquier valor menor que el límite inferior (LI) o mayor que el límite superior (LS) se consideara un dato atípico (outlier) y se representa en la gráfica con un punto.

5.1.7 Diagrama de cajas y bigotes (box-plot), según los valores de una variable cualitativa

Al igual que en el caso del histograma, puede ser de interés ver cómo se distribuye una variable cuantitativa según los valores (categorías o niveles) de una variable cualitativa utilizando un diagrama de cajas. En este caso, siempre es recomendable presentar los resultados en un único gráfico. Además, con la función boxplot() es muy sencillo!!

boxplot(titanic3$age ~ titanic3$survived_f,
        main = "Edad de l@s pasajer@s del Titanic",
        xlab = "Supervivientes",
        ylab = "Edad",
        col = c("pink", "purple"))

Podemos, además, cambiar la orientación del gráfico y la etiqueta asociada a cada categoría de la variable categórica

boxplot(titanic3$age ~ titanic3$survived_f,
        main = "Edad de l@s pasajer@s del Titanic",
        horizontal = TRUE, # boxplot en posición horizontal
        xlab = "Edad", # Cuidado aquí. Edad ahora está en el eje x
        col = c("pink", "purple"),
        ylab = "", 
        names = c("No sobrevivieron", "Sobrevivieron")) # cambiamos la etiqueta

***

Ejercicios

• Crea un boxplot para la variable fare (precio) del conjunto de datos titanic3.

• Crea un boxplot para la variable fare (precio) del conjunto de datos titanic3, pero separadamente según la clase en la que viajaba la/el pasajera/o.

• Ahora trabaja con el conjunto de datos gapminder. Crea un boxplot para la variable lifeExp (esperanza de vida), y hazlo separadamente según el continente (variable continent).

---

5.1.8 Gráficos de dispersión

Hasta ahora hemos visto como graficar tanto variable cualitativas (empleando barplot y pie) como cuantitativas (hist y boxplot). Además, hemos visto como (1) podemos emplear barplot si queremos “estudiar” la relación entre dos variable cualitativas, y (2) podemos usar hist y boxplot para estudiar la relación entre una variable cuantitativa y otra cualitativa (si hay diferencias en la distribución de la variable cuantitativa en función de la variable cualitativa). Nos queda por tanto por ver qué hacemos cuando las dos variable de interés son cuantitativas. Para ello, uno de los gráficos más sencillo (y potentes) es el gráfico de dispersión.

El gráfico de dispersión, permite efectuar un diagnóstico visual de la posible relación (funcional) entre dos variables cuantitativa. La función en R que permite realizar este tipo de gráfico es plot. La función (ver ?plot), tiene un argumento llamado type que sirve para seleccionar el tipo de gráfico a dibujar. Las opciones de type son:

• “p” para hacer un gráfico de puntos (es el tipo de gráfico por defecto).

• “l” para hacer un gráfico de líneas.

• “b” para hacer un gráfico de puntos y líneas (pero las líneas no entran en los puntos).

• “c” para hacer un gráfico de líneas (parten de los puntos, sin entrar, pero no se representan).

• “o” para hacer un gráfico de puntos y líneas (ahora las líneas entran en los puntos).

• “h” para hacer un histograma o un diagrama de barras.

• “s” para hacer un diagrama de escalera.

Por defecto la opción es type = "p". Por tanto, si queremos hacer un diagrama de dispersión para representar la nube de puntos no será necesario indicar el tipo de gráfico.

Para los ejemplos siguientes, cambiamos de base de datos, y utilizamos el conjunto de datos gapminder. Lo que nos interesa estudiar es si hay relación entre la renta per capita y la esperanza de vida. Primero de todo, veamos cómo se distribuye cada variable por separado

par(mfrow = c(2,2))
hist(data.gap$gdpPercap, xlab = "Renta per capita", main = "Renta per capita")
hist(data.gap$lifeExp, xlab = "Esperanza de vida", main = "Esperanza de vida")
boxplot(data.gap$gdpPercap, xlab = "Renta per capita", main = "Renta per capita")
boxplot(data.gap$lifeExp, xlab = "Esperanza de vida", main = "Esperanza de vida")

Lo que vemos en la gráfica anterior, es que que la distribución de la renta per cápita es muy asimétrica (muchos valores “atípicos” muy elevados). Esa asimetría sugiere que es preferible, al hacer el gráfico de dispersión, emplear el logaritmo de la renta.

plot(x = log(data.gap$gdpPercap), y = data.gap$lifeExp,
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

También lo podríamos haber hecho así

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

Además, podemos “complicar” la cosa un poquito más: ver si la relación que observamos cambia según el continente (variable cualitativa). Eso lo podemos hacer dibujando de color diferente los puntos del gráfico según el continente. Empleamos para ello el argumento col

levels(data.gap$continent)

## [1] "Africa"   "Americas" "Asia"     "Europe"   "Oceania"

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     col  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

legend("bottomright", 
       col = 1:5, # Colores utilizados
       pch = 16,  # Tipo de punto
       legend = levels(data.gap$continent), # Etiqueta asociada a cada color
       bty = "n") # Leyenda sin recuadro

Y podemos cambiar el tipo de “punto” para cada continente, empleando el argumeneto pch

levels(data.gap$continent)

## [1] "Africa"   "Americas" "Asia"     "Europe"   "Oceania"

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     col  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     pch  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     cex = 0.5, # Cambiamos el tamaño de cada punto
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

legend("bottomright", 
       col = 1:5, # Colores utilizados
       pch = 1:5, # Tipo de punto
       legend = levels(data.gap$continent), # Etiqueta asociada a cada color/punto
       bty = "n")

---

Ejercicios

• Crea un diagrama de cajas para evaluar si la esperanza de vida ha cambiado a lo largo de los años (variable year en la base de datos).

---

library(ggplot2) ## install.packages("ggplot2") 
## leer el fichero gapminder
## data.gap <- read.table("gapminder.csv", header = TRUE, sep = "", dec = ",")
ggplot(data = data.gap) 

ggplot(data = data.gap, mapping = aes(x = gdpPercap, y = lifeExp)) +
  geom_point()

6.2.1 Plantilla de ggplot2

El código de ggplot2 se puede traducir a esta plantilla. Para hacer un gráfico, reemplaza las secciones entre corchetes en el siguiente código con un conjunto de datos, una función geom o una colección de mapeos.

ggplot(data = <DATA>) +

<GEOM_FUNCTION>(mapping = aes(<MAPPINGS>))

En lo que sigue mostraremos cómo utilizar y adaptar esta plantilla para crear diferentes tipos de gráficos.

Recuerda también que simpre puedes consultar la ayuda (mediante ?funcion o help(funcion)). Además, ggplot2 tiene una especie de “chuleta” que es muy útil: https://rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf.

6.2.2 Mapeos estéticos: aes()

Mapear los datos o las variables a elementos o parámetros visuales:

• gdpPercap –> x

• lifeExp –> y (en escala \(\log_{10}\))

ggplot(data = data.gap, mapping = aes(x = log10(gdpPercap), y = lifeExp)) + 
  geom_point()

Como la sintaxis de ggplot se escribe por capas es muy práctico asignar el gráfico y guardarlo en un objeto de R. Por ejemplo, podemos asignar el gráfico anterior a un objeto/variable con nombre p.

p <- ggplot(data = data.gap, mapping = aes(x = log10(gdpPercap), y = lifeExp))

Otros argumentos para aes() son color =, size =, shape =, alpha = etc.

p + geom_point(aes(color = continent))

---

Ejercicios

• Añade otras estéticas al gráfico: color, shape, size, alpha
  
• Prueba qué pasa cuando se aplican estéticas a vars discretas/continuas
  
• ¿Qué pasa cuando se usan varias estéticas?

---

p + geom_point() + geom_smooth()

## `geom_smooth()` using method = 'gam' and formula 'y ~ s(x, bs = "cs")'

p + geom_point() + geom_smooth(lwd = 3, se = FALSE, method = "lm")

data.gap1952 <- subset(data.gap, year == 1952)
p2 <- ggplot(data = data.gap1952, aes(x = log10(gdpPercap), y = lifeExp))

p2  +  geom_text(aes(label = country, color = continent, size = pop)) 

paises5 <- c("Canada", "Turkey", "Spain", "Rwanda", "Cambodia")
data.gap_pais5 <- subset(data.gap, country %in% paises5)
ggplot(data.gap_pais5,
       aes(x = year, y = lifeExp, color = country)) + 
  geom_line() + 
  geom_point()

6.2.4 Facets

Utilizamos facet_wrap() para dividir el gráfico en sub-gráficos o facetas según una variable adicional. Cada faceta muestra un subconjunto de los datos.

ggplot(data = data.gap1952, aes(x = log10(gdpPercap), y = lifeExp)) +
  geom_point(alpha = (1/3), size = 3) + ## otras estéticas específicas, fuera del aes()
  facet_wrap(~ continent) ## separar grafico segun continente

6.2.5 Más componentes: anotaciones, escalas, coordenadas, temas…

p2  +  geom_text(aes(label = country, color = continent, size = pop)) +
  
  scale_color_brewer(palette = "Dark2") +
  scale_size(range = c(5, 15)) +
  
  theme_classic() +
  theme(legend.position = "none", 
        axis.text = element_text(size = 20),
        axis.title = element_text(size = 20)) 

data.gap1952$country_colors <- country_colors[match(data.gap1952$country, names(country_colors))] ## asignar color a cada pais

ggplot(data.gap1952) + 
  geom_point(aes(gdpPercap, lifeExp, size = pop,  color = country)) + ## tamaño del punto segun pop, color segun country
  
  scale_x_log10(breaks = c(300, 1e3, 3e3, 10e3, 30e3)) + ## etiquetas para el eje x
  scale_color_manual(values = country_colors) + ## color
  
  labs(title = "Gapminder año 1952", ## etiquetas
       x = "Renta per capita (escala log)",
       y = "Esperanza de vida al nacer (años)",
       color = "Continente", size = "Poblacion") +
  
  theme_light() + ## tema
  theme(legend.position = "none") 

## crear survived2 variable cualitativa (tipo factor)
titanic3$survived2 <- factor(titanic3$survived, labels = c("No", "Si"))

ggplot(data = titanic3, mapping = aes(x = survived2, fill = pclass)) +
  geom_bar(stat = "count", position = "dodge", alpha = 0.7) + ## stat, position, alpha
  
  scale_fill_manual(name = "Clase", values = c("#E69F00", "#56B4E9", "#009E73"))  + ## otros colores para el fill 
  xlab("Supervivientes") + ylab("") + ggtitle("Pasajeros del Titanic") + ## etiquetas y titulo 
  
  theme_minimal() ## tema

Y crear muchísimos más gráficos!! Y GIF-s de datos!! https://simplystatistics.org/2019/08/28/you-can-replicate-almost-any-plot-with-ggplot2/

library(gganimate)

ggplot(gapminder, aes(gdpPercap, lifeExp, size = pop, colour = country)) +
  geom_point(alpha = 0.7) +
  geom_text(aes(label = country)) +
  scale_colour_manual(values = country_colors) +
  scale_size(range = c(2, 12)) +
  scale_x_log10() +
  facet_wrap(~continent) +
  theme(legend.position = 'none') +
  labs(title = 'Year: {frame_time}', x = 'GDP per capita', y = 'life expectancy') +
  transition_time(year)

7.1.1 if()

El código para poder trabajar con la función if()es la siguiente:

if(condición){
  lo que queráis que se haga si se cumple la condición
}

Si la condición se cumple, es decir, si R entiende como TRUE la condición indicada, entonces, ejecutará lo que se le indica que haga entre los corchetes {}. Vamos a ver un ejemplo simple:

x <- 5

if(x > 0){
  "Es un número positivo"
}

## [1] "Es un número positivo"

En el ejemplo de arriba, como x coge un valor positivo, R ejecuta lo que está dentro de {}. En cambio, si x coge un valor que no sea mayor que 0, entonces, no imprime nada:

x <- -5

if(x > 0){
  "Es un número positivo"
}

Pero, ¡cuidado! Si en vez de un número, metemos un vector, R te devuelve un aviso de que solo trabajará con el primer elemento del vector:

x <- c(-5,0,5)

if(x > 0){
  "Es un número positivo"
}

## Warning in if (x > 0) {: la condición tiene longitud > 1 y sólo el primer
## elemento será usado

7.1.2 if...else

Esta es la sintaxis general:

if(condición){
  lo que queráis que se haga si se cumple la condición
} else {
  lo que queráis que se haga si NO se cumple la condición
}

Lo entenderemos mejor con un ejemplo:

x <- -5
if(x > 0){
  "Es un número positivo"
} else {
  "No es un número positivo"
}

## [1] "No es un número positivo"

Como en el caso anterior, si le metemos un vector, solo utiliza el primer elemento:

x <- c(-5,0,5)

if(x > 0){
  "Es un número positivo"
} else {
  "No es un número positivo"
}

## Warning in if (x > 0) {: la condición tiene longitud > 1 y sólo el primer
## elemento será usado

## [1] "No es un número positivo"

7.1.3 ifelse()

Código general:

ifelse(condición,
       lo que queráis que se haga si se cumple la condición,
       lo que queráis que se haga si NO se cumple la condición)

Ejemplo:

x <- -5
ifelse(x > 0, "Es un número positivo", "No es un número positivo")

## [1] "No es un número positivo"

En este caso, podemos meter los vectores y ejecutará el código para cada uno de los elementos del vector:

x <- c(-5,0,5)
ifelse(x > 0, "Es un número positivo", "No es un número positivo")

## [1] "No es un número positivo" "No es un número positivo"
## [3] "Es un número positivo"